Laboratorio 004: EDA de Imágenes de Tórax + Convolución (Efecto del Ancla

Ingeniería Biomédica

PSIM

Autor/a

Ph.D. Pablo Eduardo Caicedo Rodríguez

Fecha de publicación

16 de octubre de 2025

Servicio de Radiología – Auditoría de calidad en la ronda de la mañana

Como ingeniero(a) biomédico(a) del Servicio de Radiología, cada mañana debes auditar la calidad de radiografías de tórax antes de liberar agenda clínica. Trabajarás con un subconjunto balanceado del dataset Chest X-Ray Images (Pneumonia) (clases: NORMAL y PNEUMONIA). Cita la fuente y fecha de descarga en tu primera diapositiva.

Reglas de la práctica

Solo OpenCV (cv2); se permite NumPy como soporte de arreglos.
La evaluación es por presentación (no por informe escrito).
Debes usar explícitamente las funciones: cv.calcHist, cv.compareHist, cv.filter2D con anchor, y cv.Laplacian para enfoque.
Muestra seudocódigo y resultados (figuras/tablas) en las diapositivas. Evita código ejecutable en la presentación.
Todas las funciones deben ser comprendidas desde el punto de vista matemático y computacional.

Objetivos de aprendizaje

Ejecutar un EDA por clase (NORMAL vs PNEUMONIA) con estadísticas descriptivas e histogramas.
Comparar histogramas globales y por ROIs, justificando la métrica más informativa.
Estimar calidad (enfoque por Laplaciano; contraste) con operadores de OpenCV.
Demostrar el efecto del píxel de anclaje (anchor) en una convolución 2D y discutir su impacto en mapas de bordes/mediciones.

Datos (obligatorio)

Fuente: Kaggle – Chest X-Ray Images (Pneumonia) https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia
Clases: NORMAL y PNEUMONIA.
Muestreo sugerido: 60 imágenes por clase (balanceado) para auditoría (no entrenamiento).
Buenas prácticas: Trabaja sobre copias; no modifiques originales. Documenta toda normalización/realce en una bitácora.

Slide 1 (requisito): Equipo y roles, fuente del dataset, fecha de descarga, estructura de carpetas y riesgos de sesgo (edad, equipo Rx, proyección, etc.).

Entregable y logística de evaluación

Presentación por equipos: 6–8 minutos + 2 minutos de preguntas. Máximo 8 diapositivas.
Secuencia sugerida de slides:
1. Portada y datos.
2. Muestreo y control de sesgos.
3. EDA global (estadísticos + histogramas por clase).
4. Comparación de histogramas (global y ROIs).
5. Calidad (enfoque, contraste) con lectura clínica.
6. Convolución + ancla (delta + ROI real).
7. Recomendaciones de QA y límites.
8. Apéndice: funciones usadas e hiperparámetros.

Rúbrica de evaluación (100 pts)

Criterio	Descripción	Evidencia esperada en la presentación	Puntos
Contexto clínico y datos	Cita del dataset (Kaggle), clases, balance, riesgos de sesgo, trazabilidad.	Slides 1–2 bien documentadas.	10
EDA descriptivo	Estadísticos (min, max, media, mediana, p5/p95, std, IQR/MAD) por clase; histogramas claros. Uso obligatorio: `cv.calcHist`.	Slide 3 (tablas/figuras) + interpretación breve.	20
Comparación de histogramas	Uso obligatorio: `cv.compareHist` con ≥2 métricas (p. ej., Correlación, Chi-cuadrado, Intersección, Bhattacharyya); global y en ROIs comparables.	Slide 4 con tabla de métricas y conclusión justificada.	20
Calidad (enfoque/contraste)	Enfoque por varianza del Laplaciano (`cv.Laplacian`) y al menos una medida de contraste (p. ej., Michelson o std/mean).	Slide 5 con resultados y lectura clínica.	20
Convolución y ancla	Uso obligatorio: `cv.filter2D` con `anchor` variado. Demostración con imagen delta y ROI real; explicación del desplazamiento espacial e impacto en mediciones.	Slide 6 con figuras claras + explicación.	25
Recomendaciones y límites	Acciones de QA (umbrales/alertas), riesgos del posprocesado (p. ej., CLAHE), límites y próximos pasos.	Slide 7–8 con lista accionable.	5

Aprobación mínima: 60 pts. Penaliza exceder tiempo, no citar dataset o no usar las funciones requeridas.

Guía técnica

Funciones OpenCV a utilizar (obligatorias): cv.calcHist (histogramas), cv.compareHist (comparación), cv.filter2D + anchor (convolución), cv.Laplacian (enfoque).

1) EDA por clase (NORMAL vs PNEUMONIA)

Tareas: - Calcular, por clase, min, max, media, mediana, p5/p95, std, IQR/MAD. - Generar histogramas (bins=256, rango 0–255) y visualizarlos de forma comparable.

Seudocódigo:

for CLASS in [NORMAL, PNEUMONIA]:
    IMGS = read_all_grayscale(CLASS)              // cv.imread(..., cv.IMREAD_GRAYSCALE)
    IMGS_8U = normalize_to_8bit(IMGS)             // asegurar 0–255
    STATS[CLASS] = descriptive_stats(IMGS_8U)     // min, max, mean, median, p5/p95, std, IQR/MAD
    H_CLASS = mean_histogram(IMGS_8U)             // cv.calcHist por imagen y promedio
plot_overlaid(H_NORMAL, H_PNEUMONIA)              // comparar curvas en un mismo eje

Pregunta con context: En la ronda de Urgencias, se reportan placas con posible bajo rango dinámico. A partir de tus histogramas y percentiles p5/p95, ¿hay evidencia de saturación o subexposición en alguna clase? ¿Qué implicaría para la lectura del radiólogo de guardia?

2) Comparación de histogramas (global y por ROI)

Tareas: - Comparar histogramas globales y de ROIs equivalentes entre clases. - Usar al menos dos métricas de cv.compareHist (p. ej., Correlación y Bhattacharyya).

Seudocódigo:

ROI_A = center_crop(select_example(NORMAL))
ROI_B = center_crop(select_example(PNEUMONIA))

H_A = normalized_histogram(ROI_A)   // cv.calcHist + normalización
H_B = normalized_histogram(ROI_B)

SCORES = {
  "CORRELATION": compareHist(H_A, H_B, METHOD_CORREL),
  "BHATTACHARYYA": compareHist(H_A, H_B, METHOD_BHATTACHARYYA)
}
render_table(SCORES)

Pregunta con contexto: En regiones hiliares la comparación muestra alta intersección entre clases. ¿Lo atribuyes a superposición anatómica o a variabilidad de exposición? ¿Qué acción de QA propones (reencuadre, repetición, anotación del técnico)?

3) Calidad: enfoque (Laplaciano) y contraste

Tareas: - Estimar enfoque con cv.Laplacian y reportar la varianza de la respuesta (FOCUS). - Reportar una medida de contraste (p. ej., Michelson = (max−min)/(max+min) o std/mean).

Seudocódigo:

ROI = center_crop(select_example(any_class))
LAP = Laplacian(ROI, ddepth=32F, ksize=3)    // cv.Laplacian
FOCUS = variance(LAP)
CONTRAST = contrast_metric(ROI)              // Michelson o std/mean

report({"FOCUS": FOCUS, "CONTRAST": CONTRAST})

Pregunta con contexto (colocar textual en la slide): En un turno nocturno con posible movimiento del paciente, ¿qué umbral de enfoque (FOCUS) propondrías para repetir la Rx minimizando dosis? ¿Cómo lo comunicarías al técnico?

4) Convolución 2D y efecto del ancla (`anchor`)

Tareas: - Usar cv.filter2D variando anchor y mostrar el desplazamiento de la respuesta.

Diseño experimental mínimo (dos partes):

A) Imagen “delta” (7×7, con un 1 en (3,3))

DELTA = zeros(7,7); DELTA[3,3] = 1
K = ones(3,3) / 9

for ANCHOR in [(-1,-1), (0,0), (2,1)]:
    OUT = filter2D(DELTA, ddepth=-1, kernel=K, anchor=ANCHOR, borderType=BORDER_CONSTANT)
    visualize_matrix(OUT, title="anchor="+str(ANCHOR))

B) ROI real (Rx) + Laplaciano (realce de bordes)

ROI = center_crop(select_example(NORMAL))
LAP_K = [[0,-1,0],[-1,4,-1],[0,-1,0]]

for ANCHOR in [(-1,-1), (0,0), (2,2)]:
    EDGES = filter2D(ROI, ddepth=32F, kernel=LAP_K, anchor=ANCHOR, borderType=BORDER_REFLECT_101)
    show_abs(EDGES, same_scale=True)

Conclusión esperada: El ancla selecciona qué píxel de la ventana se alinea con la coordenada de salida. Cambiarla no altera la combinación lineal local, pero sí la ubicación de la respuesta (desfase espacial). En QA, un ancla errónea puede desalinear bordes/mediciones (p. ej., diámetro cardiotorácico) o desplazar mapas de atención.

Pregunta con contexto: Si tu pipeline de detección de bordes costales usa un ancla mal configurada y desplaza bordes ~1–2 px, ¿cómo afectaría el cálculo del diámetro cardiotorácico o la detección de consolidaciones en seguimiento? Propón una verificación de QA automatizada.

Checklist previo a la presentación

Slides numeradas (≤8), fuentes legibles, títulos claros.
Citas al dataset y a las funciones usadas.
Histogramas por clase (cv.calcHist) y tabla de estadísticos.
Comparación de histogramas (cv.compareHist) con ≥2 métricas y conclusión.
Métricas de calidad (enfoque por Laplaciano; contraste) con lectura clínica.
Demostración del ancla (delta + ROI real) con cv.filter2D y explicación del desplazamiento.
Recomendaciones de QA y límites del análisis.

Referencias (para consulta del equipo)

Dataset: Kaggle – Chest X-Ray Images (Pneumonia) https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia
OpenCV – Histogramas: cv.calcHist (documentación oficial)
OpenCV – Comparación de histogramas: cv.compareHist (documentación oficial)
OpenCV – Convolución: cv.filter2D y parámetro anchor (documentación oficial)
OpenCV – Operador Laplaciano: cv.Laplacian (documentación oficial)

--- title: "Laboratorio 004: EDA de Imágenes de Tórax + Convolución (Efecto del Ancla" description: "PSIM" subtitle: "Ingeniería Biomédica" lang: es author: "Ph.D. Pablo Eduardo Caicedo Rodríguez" date: "`r Sys.Date()`" format: html: code-tools: true code-overflow: wrap code-line-numbers: true code-copy: true fig-align: center self-contained: true theme: - simple - ../../recursos/estilos/metropolis.scss slide-number: true preview-links: auto logo: ../../recursos/imagenes/generales/Escuela_Rosario_logo.png css: ../../recursos/estilos/styles_pres.scss footer: <https://pablocaicedor.github.io/> transition: fade progress: true scrollable: true resources: - demo.pdf --- ```{r} #| echo: false #| eval: true #| output: false #| label: Loading R-Libraries # install.packages(c("DiagrammeR", "reticulate", "kableExtra", "tidyverse", "knitr", "cowplot", "ggfx")) library("DiagrammeR") library("reticulate") library("kableExtra") library("tidyverse") library("knitr") library("cowplot") library("ggfx") knitr::opts_chunk$set(echo = FALSE) def.chunk.hook <- knitr::knit_hooks$get("chunk") knitr::knit_hooks$set(chunk = function(x, options) { x <- def.chunk.hook(x, options) ifelse(options$size != "normalsize", paste0("\n \\", options$size, "\n\n", x, "\n\n \\normalsize"), x) }) ``` ```{python} #| echo: false #| eval: true #| output: false #| label: Loading Python-Libraries import numpy as np import matplotlib.pyplot as plt path_ecg="../../data" #https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write ``` **Servicio de Radiología – Auditoría de calidad en la ronda de la mañana** Como ingeniero(a) biomédico(a) del Servicio de Radiología, cada mañana debes auditar la **calidad** de radiografías de tórax antes de liberar agenda clínica. Trabajarás con un subconjunto balanceado del dataset **Chest X-Ray Images (Pneumonia)** (clases: **NORMAL** y **PNEUMONIA**). Cita la fuente y fecha de descarga en tu primera diapositiva. --- ## Reglas de la práctica - Solo **OpenCV (cv2)**; se permite **NumPy** como soporte de arreglos. - La **evaluación es por presentación** (no por informe escrito). - Debes **usar** explícitamente las funciones: `cv.calcHist`, `cv.compareHist`, `cv.filter2D` con `anchor`, y `cv.Laplacian` para enfoque. - Muestra **seudocódigo** y **resultados** (figuras/tablas) en las diapositivas. Evita código ejecutable en la presentación. - Todas las funciones deben ser comprendidas desde el punto de vista matemático y computacional. --- ## Objetivos de aprendizaje 1. Ejecutar un **EDA** por clase (NORMAL vs PNEUMONIA) con estadísticas descriptivas e **histogramas**. 2. **Comparar histogramas** globales y por **ROIs**, justificando la métrica más informativa. 3. Estimar **calidad** (enfoque por Laplaciano; contraste) con operadores de OpenCV. 4. **Demostrar** el efecto del **píxel de anclaje** (`anchor`) en una **convolución 2D** y discutir su impacto en mapas de bordes/mediciones. --- ## Datos (obligatorio) - **Fuente:** Kaggle – *Chest X-Ray Images (Pneumonia)* https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia - **Clases:** `NORMAL` y `PNEUMONIA`. - **Muestreo sugerido:** 60 imágenes por clase (balanceado) para auditoría (no entrenamiento). - **Buenas prácticas:** Trabaja sobre **copias**; no modifiques originales. Documenta toda normalización/realce en una **bitácora**. **Slide 1 (requisito):** Equipo y roles, fuente del dataset, fecha de descarga, estructura de carpetas y riesgos de sesgo (edad, equipo Rx, proyección, etc.). --- ## Entregable y logística de evaluación - **Presentación por equipos:** 6–8 minutos + 2 minutos de preguntas. Máximo **8 diapositivas**. - **Secuencia sugerida de slides:** 1) Portada y datos. 2) Muestreo y control de sesgos. 3) **EDA** global (estadísticos + histogramas por clase). 4) **Comparación de histogramas** (global y ROIs). 5) **Calidad** (enfoque, contraste) con lectura clínica. 6) **Convolución + ancla** (delta + ROI real). 7) Recomendaciones de QA y límites. 8) Apéndice: funciones usadas e hiperparámetros. --- ## Rúbrica de evaluación (100 pts) | Criterio | Descripción | Evidencia esperada en la presentación | Puntos | |---|---|---|---:| | Contexto clínico y datos | Cita del dataset (Kaggle), clases, balance, riesgos de sesgo, trazabilidad. | Slides 1–2 bien documentadas. | 10 | | EDA descriptivo | Estadísticos (min, max, media, mediana, p5/p95, std, IQR/MAD) por clase; **histogramas** claros. **Uso obligatorio:** `cv.calcHist`. | Slide 3 (tablas/figuras) + interpretación breve. | 20 | | Comparación de histogramas | **Uso obligatorio:** `cv.compareHist` con ≥2 métricas (p. ej., Correlación, Chi-cuadrado, Intersección, Bhattacharyya); global y en ROIs comparables. | Slide 4 con tabla de métricas y conclusión justificada. | 20 | | Calidad (enfoque/contraste) | Enfoque por **varianza del Laplaciano** (`cv.Laplacian`) y al menos una medida de **contraste** (p. ej., Michelson o std/mean). | Slide 5 con resultados y lectura clínica. | 20 | | Convolución y **ancla** | **Uso obligatorio:** `cv.filter2D` con `anchor` variado. Demostración con **imagen delta** y **ROI real**; explicación del **desplazamiento** espacial e impacto en mediciones. | Slide 6 con figuras claras + explicación. | 25 | | Recomendaciones y límites | Acciones de QA (umbrales/alertas), riesgos del posprocesado (p. ej., CLAHE), límites y próximos pasos. | Slide 7–8 con lista accionable. | 5 | **Aprobación mínima:** 60 pts. Penaliza exceder tiempo, no citar dataset o no usar las funciones requeridas. --- ## Guía técnica > **Funciones OpenCV a utilizar (obligatorias):** > `cv.calcHist` (histogramas), `cv.compareHist` (comparación), `cv.filter2D` + `anchor` (convolución), `cv.Laplacian` (enfoque). ### 1) EDA por clase (NORMAL vs PNEUMONIA) **Tareas:** - Calcular, por clase, **min**, **max**, **media**, **mediana**, **p5/p95**, **std**, **IQR/MAD**. - Generar **histogramas** (bins=256, rango 0–255) y visualizarlos de forma comparable. **Seudocódigo:** ``` for CLASS in [NORMAL, PNEUMONIA]: IMGS = read_all_grayscale(CLASS) // cv.imread(..., cv.IMREAD_GRAYSCALE) IMGS_8U = normalize_to_8bit(IMGS) // asegurar 0–255 STATS[CLASS] = descriptive_stats(IMGS_8U) // min, max, mean, median, p5/p95, std, IQR/MAD H_CLASS = mean_histogram(IMGS_8U) // cv.calcHist por imagen y promedio plot_overlaid(H_NORMAL, H_PNEUMONIA) // comparar curvas en un mismo eje ``` **Pregunta con context:** En la **ronda de Urgencias**, se reportan placas con posible **bajo rango dinámico**. A partir de tus histogramas y percentiles p5/p95, ¿hay evidencia de **saturación** o **subexposición** en alguna clase? ¿Qué implicaría para la lectura del radiólogo de guardia? --- ### 2) Comparación de histogramas (global y por ROI) **Tareas:** - Comparar histogramas **globales** y de **ROIs** equivalentes entre clases. - Usar **al menos dos** métricas de `cv.compareHist` (p. ej., Correlación y Bhattacharyya). **Seudocódigo:** ``` ROI_A = center_crop(select_example(NORMAL)) ROI_B = center_crop(select_example(PNEUMONIA)) H_A = normalized_histogram(ROI_A) // cv.calcHist + normalización H_B = normalized_histogram(ROI_B) SCORES = { "CORRELATION": compareHist(H_A, H_B, METHOD_CORREL), "BHATTACHARYYA": compareHist(H_A, H_B, METHOD_BHATTACHARYYA) } render_table(SCORES) ``` **Pregunta con contexto:** En **regiones hiliares** la comparación muestra alta **intersección** entre clases. ¿Lo atribuyes a **superposición anatómica** o a **variabilidad de exposición**? ¿Qué acción de QA propones (reencuadre, repetición, anotación del técnico)? --- ### 3) Calidad: enfoque (Laplaciano) y contraste **Tareas:** - Estimar **enfoque** con `cv.Laplacian` y reportar la **varianza** de la respuesta (FOCUS). - Reportar una medida de **contraste** (p. ej., **Michelson** = (max−min)/(max+min) o **std/mean**). **Seudocódigo:** ``` ROI = center_crop(select_example(any_class)) LAP = Laplacian(ROI, ddepth=32F, ksize=3) // cv.Laplacian FOCUS = variance(LAP) CONTRAST = contrast_metric(ROI) // Michelson o std/mean report({"FOCUS": FOCUS, "CONTRAST": CONTRAST}) ``` **Pregunta con contexto (colocar textual en la slide):** En un **turno nocturno** con posible **movimiento del paciente**, ¿qué **umbral de enfoque** (FOCUS) propondrías para **repetir** la Rx minimizando dosis? ¿Cómo lo comunicarías al técnico? --- ### 4) Convolución 2D y **efecto del ancla** (`anchor`) **Tareas:** - Usar `cv.filter2D` variando `anchor` y mostrar el **desplazamiento** de la respuesta. **Diseño experimental mínimo (dos partes):** **A) Imagen “delta” (7×7, con un 1 en (3,3))** ``` DELTA = zeros(7,7); DELTA[3,3] = 1 K = ones(3,3) / 9 for ANCHOR in [(-1,-1), (0,0), (2,1)]: OUT = filter2D(DELTA, ddepth=-1, kernel=K, anchor=ANCHOR, borderType=BORDER_CONSTANT) visualize_matrix(OUT, title="anchor="+str(ANCHOR)) ``` **B) ROI real (Rx) + Laplaciano (realce de bordes)** ``` ROI = center_crop(select_example(NORMAL)) LAP_K = [[0,-1,0],[-1,4,-1],[0,-1,0]] for ANCHOR in [(-1,-1), (0,0), (2,2)]: EDGES = filter2D(ROI, ddepth=32F, kernel=LAP_K, anchor=ANCHOR, borderType=BORDER_REFLECT_101) show_abs(EDGES, same_scale=True) ``` **Conclusión esperada:** El **ancla** selecciona **qué píxel de la ventana** se alinea con la **coordenada de salida**. Cambiarla **no** altera la combinación lineal local, pero **sí** la **ubicación** de la respuesta (**desfase espacial**). En QA, un ancla errónea puede **desalinear** bordes/mediciones (p. ej., diámetro cardiotorácico) o desplazar mapas de atención. **Pregunta con contexto:** Si tu pipeline de **detección de bordes costales** usa un ancla mal configurada y desplaza bordes ~1–2 px, ¿cómo afectaría el cálculo del **diámetro cardiotorácico** o la detección de **consolidaciones** en seguimiento? Propón una **verificación de QA** automatizada. --- ## Checklist previo a la presentación - [ ] Slides numeradas (≤8), fuentes legibles, títulos claros. - [ ] **Citas** al dataset y a las funciones usadas. - [ ] Histogramas por clase (**cv.calcHist**) y tabla de **estadísticos**. - [ ] Comparación de histogramas (**cv.compareHist**) con ≥2 métricas y conclusión. - [ ] Métricas de **calidad** (enfoque por Laplaciano; contraste) con lectura clínica. - [ ] **Demostración del ancla** (delta + ROI real) con `cv.filter2D` y explicación del **desplazamiento**. - [ ] Recomendaciones de **QA** y límites del análisis. --- ## Referencias (para consulta del equipo) - Dataset: Kaggle – *Chest X-Ray Images (Pneumonia)* https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia - OpenCV – Histogramas: `cv.calcHist` (documentación oficial) - OpenCV – Comparación de histogramas: `cv.compareHist` (documentación oficial) - OpenCV – Convolución: `cv.filter2D` y parámetro `anchor` (documentación oficial) - OpenCV – Operador Laplaciano: `cv.Laplacian` (documentación oficial)

Reglas de la práctica

Objetivos de aprendizaje

Datos (obligatorio)

Entregable y logística de evaluación

Rúbrica de evaluación (100 pts)

Guía técnica

1) EDA por clase (NORMAL vs PNEUMONIA)

2) Comparación de histogramas (global y por ROI)

3) Calidad: enfoque (Laplaciano) y contraste

4) Convolución 2D y efecto del ancla (anchor)

Checklist previo a la presentación

Referencias (para consulta del equipo)

4) Convolución 2D y efecto del ancla (`anchor`)